CNN时间序列预测Matlab实现

ops/2024/12/14 10:24:33/

代码:

%%  清空环境变量
warning off             % 关闭报警信息
close all               % 关闭开启的图窗
clear                   % 清空变量
clc                     % 清空命令行%%  导入数据(时间序列的单列数据)
result = xlsread('data.xlsx');%%  数据分析
num_samples = length(result);  % 样本个数 
kim = 10;                      % 延时步长(kim个历史数据作为自变量)
zim =  1;                      % 跨zim个时间点进行预测%%  划分数据集
for i = 1: num_samples - kim - zim + 1res(i, :) = [reshape(result(i: i + kim - 1), 1, kim), result(i + kim + zim - 1)];
end
%%  数据集分析
outdim = 1;                                  % 最后一列为输出
num_size = 0.9;                              % 训练集占数据集比例
num_train_s = round(num_size * num_samples); % 训练集样本个数
f_ = size(res, 2) - outdim;                  % 输入特征维度%%  划分训练集和测试集
P_train = res(1: num_train_s, 1: f_)';
T_train = res(1: num_train_s, f_ + 1: end)';
M = size(P_train, 2);P_test = res(num_train_s + 1: end, 1: f_)';
T_test = res(num_train_s + 1: end, f_ + 1: end)';
N = size(P_test, 2);%%  数据归一化
[P_train, ps_input] = mapminmax(P_train, 0, 1);
P_test = mapminmax('apply', P_test, ps_input);[t_train, ps_output] = mapminmax(T_train, 0, 1);
t_test = mapminmax('apply', T_test, ps_output);%%  数据平铺
% 将数据平铺成1维数据只是一种处理方式
% 也可以平铺成2维数据,以及3维数据,需要修改对应模型结构
% 但是应该始终和输入层数据结构保持一致
P_train =  double(reshape(P_train, f_, 1, 1, M));
P_test  =  double(reshape(P_test , f_, 1, 1, N));% t_train = t_train';
% t_test  = t_test' ;
t_train =  double(t_train)';
t_test  =  double(t_test )';
%%  构造网络结构
layers = [imageInputLayer([f_, 1, 1])                 % 输入层 输入数据规模[15, 1, 1]convolution2dLayer([3, 1], 16, 'Stride', [1, 1], 'Padding', 'same')              % 卷积核大小 3 * 1 生成 16 张特征图batchNormalizationLayer                     % 批归一化层reluLayer                                   % Relu激活层convolution2dLayer([3, 1], 32, 'Stride', [1, 1], 'Padding', 'same') % 卷积核大小 3 * 1 生成 32 张特征图batchNormalizationLayer                     % 批归一化层reluLayer                                   % Relu激活层dropoutLayer(0.2)                                  % Dropout层fullyConnectedLayer(outdim)                      % 全连接层regressionLayer];                           % 回归层%%  参数设置
options = trainingOptions('adam', ...      % Adam 梯度下降算法'MaxEpochs', 200, ...                  % 最大训练次数 800'InitialLearnRate', 0.01, ...          % 初始学习率为 0.005'LearnRateSchedule', 'piecewise', ...  % 学习率下降'LearnRateDropFactor', 0.1, ...        % 学习率下降因子 0.1'LearnRateDropPeriod', 100, ...        % 经过 600 次训练后 学习率为 0.005 * 0.1'L2Regularization', 0.001, ...          % 正则化参数'Shuffle', 'every-epoch', ...          % 每次训练打乱数据集'Plots', 'training-progress', ...      % 画出曲线'Verbose', false);
%%  训练模型
net = trainNetwork(P_train, t_train, layers, options);%%  仿真预测
t_sim1 = predict(net, P_train);
t_sim2 = predict(net, P_test );%%  数据反归一化
T_sim1 = mapminmax('reverse', t_sim1, ps_output);
T_sim2 = mapminmax('reverse', t_sim2, ps_output);%%  均方根误差
error1 = sqrt(sum((T_sim1' - T_train).^2) ./ M);
error2 = sqrt(sum((T_sim2' - T_test ).^2) ./ N);%%  查看网络结构
analyzeNetwork(net)%%  绘图
figure
plot(1: M, T_train, 'r-', 1: M, T_sim1, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'训练集预测结果对比'; ['RMSE=' num2str(error1)]};
title(string)
xlim([1, M])
gridfigure
plot(1: N, T_test, 'r-', 1: N, T_sim2, 'b-', 'LineWidth', 1)
legend('真实值', '预测值')
xlabel('预测样本')
ylabel('预测结果')
string = {'测试集预测结果对比'; ['RMSE=' num2str(error2)]};
title(string)
xlim([1, N])
grid%%  相关指标计算
% R2
R1 = 1 - norm(T_train - T_sim1')^2 / norm(T_train - mean(T_train))^2;
R2 = 1 - norm(T_test  - T_sim2')^2 / norm(T_test  - mean(T_test ))^2;disp(['训练集数据的R2为:', num2str(R1)])
disp(['测试集数据的R2为:', num2str(R2)])% MAE
mae1 = sum(abs(T_sim1' - T_train)) ./ M ;
mae2 = sum(abs(T_sim2' - T_test )) ./ N ;disp(['训练集数据的MAE为:', num2str(mae1)])
disp(['测试集数据的MAE为:', num2str(mae2)])% MBE
mbe1 = sum(T_sim1' - T_train) ./ M ;
mbe2 = sum(T_sim2' - T_test ) ./ N ;disp(['训练集数据的MBE为:', num2str(mbe1)])
disp(['测试集数据的MBE为:', num2str(mbe2)])%  MAPE
mape1 = sum(abs((T_sim1' - T_train)./T_train)) ./ M ;
mape2 = sum(abs((T_sim2' - T_test )./T_test )) ./ N ;disp(['训练集数据的MAPE为:', num2str(mape1)])
disp(['测试集数据的MAPE为:', num2str(mape2)])%%  绘制散点图
sz = 25;
c = 'b';figure
scatter(T_train, T_sim1, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('训练集真实值');
ylabel('训练集预测值');
xlim([min(T_train) max(T_train)])
ylim([min(T_sim1) max(T_sim1)])
title('训练集预测值 vs. 训练集真实值')figure
scatter(T_test, T_sim2, sz, c)
hold on
plot(xlim, ylim, '--k')
xlabel('测试集真实值');
ylabel('测试集预测值');
xlim([min(T_test) max(T_test)])
ylim([min(T_sim2) max(T_sim2)])
title('测试集预测值 vs. 测试集真实值')
%%%%%%%%%咸鱼号:默默科研仔

 


http://www.ppmy.cn/ops/141789.html

相关文章

SpringBoot集成Caffeine缓存:高性能本地缓存解决方案

SpringBoot集成Caffeine缓存:高性能本地缓存解决方案 一.Caffeine是什么? Caffeine是一个高性能的Java缓存库,为Java应用程序提供了极快的本地内存缓存解决方案。它是基于Google Guava Cache重新设计的缓存框架,在性能和功能上都…

arXiv-2024 | VLM-GroNav: 基于物理对齐映射视觉语言模型的户外环境机器人导航

作者: Mohamed Elnoor, Kasun Weerakoon, Gershom Seneviratne, Ruiqi Xian, Tianrui Guan, Mohamed Khalid M Jaffar, Vignesh Rajagopal, and Dinesh Manocha单位:马里兰大学学院公园分校原文链接:VLM-GroNav: Robot Navigation Using Phys…

初始Python篇(11)—— 面向对象三大特征

找往期文章包括但不限于本期文章中不懂的知识点: 个人主页:我要学编程(ಥ_ಥ)-CSDN博客 所属专栏: Python 目录 封装 继承的基本概念以及使用 继承 继承的基本概念以及使用 方法重写 多态 多态的概念以及基本使用 封装 继承的基本…

PHP和GD如何根据颜色生成渐变效果

在PHP中,使用GD库可以很方便地生成颜色渐变效果。GD库是PHP中用于处理图像的扩展库,支持创建图像、绘制图形、处理图像等多种功能。下面是一个基本的步骤,介绍如何使用PHP和GD库根据颜色生成渐变效果: 步骤 创建图像资源&#xf…

NIO 三大组件

NIO 基础 non-blocking-io 非阻塞IO 1. 三大组件 1.1 Channel & Buffer channel 有一点类似与strem,他就是读写数据的双向通道,可以从channel将数据读入buffer,也可以将buffer写入channel,而之前的strem要么是输入&#x…

数据采集:各地区动态IP数据质量差异分析

“在当今信息化社会,数据采集已成为各行各业不可或缺的一部分,它为企业决策、市场分析、学术研究等提供了重要的数据支持。而在数据采集过程中,动态IP作为一种频繁更换IP地址的代理服务,因其能够模拟不同地理位置的用户访问、突破…

算法2(蓝桥杯19)-合并两个有序链表

问题:将两个升序链表合并为一个新的升序链表并返回。新链表是通过拼接给定的两个链表的所有节点组成的。 解题思路: 创建一个虚拟节点,循环比较l1、l2链表各节点的大小,将较小的节点追加到虚拟节点后,返回新链表 1、…

quartz 架构详解

‌Quartz是一个开源的作业调度框架,完全由Java编写,主要用于定时任务的调度和管理。Quartz的架构主要包括以下几个核心组件‌: 1.‌调度器(Scheduler)‌:调度器是Quartz的核心组件,负责管理Qua…